Translating online customer opinions into engineering characteristics in QFD: A probabilistic language analysis approach

 

a b s t r a c t

Online opinions provide informative customer requirements for product designers. However, the increasing volume of opinions make them hard to be digested entirely. It is expected to translate online opinions for designers automatically when they are launching a new product. In this research, an exploratory study is conducted, in which customer requirements in online reviews are manually translated into engineering characteristics (ECs) for Quality function deployment (QFD). From the exploratory study, a simple mapping from keywords to ECs is observed not able to be built. It is also found that it will be a time-consuming task to translate a large number of reviews. Accordingly, a probabilistic language analysis approach is proposed, which translates reviews into ECs automatically. In particular, the statistic concurrence information between keywords and nearby words is analyzed. Based on the unigram model and the bigram model, an integrated impact learning algorithm is advised to estimate the impacts of keywords and nearby words respectively. The estimated impacts are utilized to infer which ECs are implied in a given context. Using four brands of printer reviews from Amazon.com, comparative experiments are conducted. Finally, an illustrative example is shown to clarify how this approach can be applied by designers in QFD.

 

دانلود رایگان مقاله انگلیسی                1.94 MB

 

 

چکیده

نظرهای آنلاین، نیازهای اطلاعاتی مشتری را برای طراحان محصول فراهم می سازند. با اینحال، حجم روز افزون نظرها خلاصه سازی کامل آنها را سخت می سازد. انتظار می رود که نظرهای آنلاین بطور خودکار برای طراحان ترجمه شوند، زمانیکه محصول جدیدی را راه اندازی می کنند. در این پژوهش، مطالعه ی کاوشی انجام می گیرد که در آن نیازهای مشتری در بازدیدهای آنلاین بطور دستی به مشخصات مهندسی (فنی) (EC) برای گسترش تابع کیفیت (QFD) ترجمه می شوند. طبق مطالعه کاوشی، مشاهده می شود که ساخت نگاشت ساده از کلمات کلیدی به EC ها ممکن نیست. همچنین پی برده می شود که ترجمه ی تعداد زیادی بازدید، یک عمل زمانبر است. در نتیجه، راهکار آنالیز زبان احتمالی پیشنهاد می شود که بطور خودکار بازدیدها را به EC ها تبدیل می کند. در حالت خاص، اطلاعات توافق آماری بین کلمات کلیدی و کلمات نزدیک تجزیه و تحلیل می شود. بر اساس مدل یونیگرام و بایگرام، الگوریتم یادگیری تاثیر یکپارچه برای ارزیابی تاثیرات کلمات کلیدی و کلمات نزدیک توصیه می شود. تاثیرات ارزیابی شده برای استنباط اینکه کدام EC ها در متن مورد نظر بکار گرفته شدند، استفاده می شوند. با استفاده از بازدیدهای چهار برند چاپگر از Amazon.com، آزمایش های قیاسی انجام می گیرند. در نهایت، مثال نماشی جهت اعلان نحوه استفاده از این راهکار توسط طراحان در QFD ارائه می شود.

 

تعداد صفحات مقاله انگلیسی:13 صفحه
تعداد صفحات مقاله فارسی:33صفحه

نوع فایل: ورد

اضافه کردن نظر